A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Análise de Algoritmos AULA 1 Profa. Sandra de Amo Disciplina: Análise de Algoritmos Pós-graduação em Ciência da Computação.

Apresentações semelhantes


Apresentação em tema: "Análise de Algoritmos AULA 1 Profa. Sandra de Amo Disciplina: Análise de Algoritmos Pós-graduação em Ciência da Computação."— Transcrição da apresentação:

1 Análise de Algoritmos AULA 1 Profa. Sandra de Amo Disciplina: Análise de Algoritmos Pós-graduação em Ciência da Computação

2 Objetivos Gerais Conceitos Básicos AULA 1 – Parte I Profa. Sandra de Amo Disciplina: Análise de Algoritmos Pós-graduação em Ciência da Computação

3 Problemas e Algoritmos O que é um problema ? Função P: Input Output Instância do Problema = I Input Exemplos de Problemas Problema dos Primos Primos: N {Sim, Não} Instância = número natural Primos (n) = Sim, se n é primo; Não, caso contrário Problema da Decomposição em primos Decomposição: N {Seq | Seq =, pi primo} Decomposição (n) = se n = p 1 n1 p 2 n2...p k nk Exemplo: Decomposição (10) =, pois 10 =

4 Problemas e Algoritmos Problema do Circuito Hamiltoniano Hamilton: Grafos Dirigidos {Sim, Não} Instância = grafo dirigido G Hamilton(G) = Sim, se G possui um caminho passando por todos os vértices uma única vez; = Não, caso contrário Problemas de Decisão: output = {Sim, Não}

5 Problemas e Algoritmos Solução de um Problema Conjunto finito de instruções cuja execução sobre o input termina depois de um tempo finito, produzindo no final o output. Solução de um problema = algoritmo Algoritmo : conjunto finito de instruções que transformam uma entrada em uma saída depois de um tempo finito. Todo Algoritmo está associado a um Problema Algoritmo que resolve o problema

6 Perguntas Conjunto dos AlgoritmosConjunto dos Problemas ??? Função injetora ?? Não é função injetora: podem existir diferentes algoritmos para resolver um mesmo problema Não é função sobrejetora: Existem problemas que não têm solução

7 Problema de Correspondência de Post (PCP) Post: Dominós {Sim,Não} Instância= um conjunto de tipos de peças de dominós Post(D) = Sim, se existe um pareamento de peças de tipos em D = Não, caso contrário.

8 O problema PCP … abcb c d g f g egef c d e b c d b n Input = um conjunto finito de tipos de peças de dominós Pergunta : É possivel encontrar um pareamento, isto é, uma sequência de peças de tipos dados no input, tal que o string formado na parte de cima e idêntico ao string formado na parte de baixo ? b c d b e f c d e g f g b c d e f g Sequência : 3 n 1

9 a b c a a a b c Exemplos a b c b c a a a b c c a a a a b a b c a a a b c c Sequência de peças= a b c a a a b c

10 Exemplo a c c b a c a a 123 a b c a b Input Resposta ??Não Justificativa : a parte de cima das peças é sempre maior que a parte de baixo !

11 Formalização do Problema Input genérico do Problema PCP C = { t1 b1, t2 b2, t3 b3,…, tn bn } t1, t2, …, tn são strings sobre um alfabeto S b1, b2, …, bn são strings sobre um alfabeto S Um pareamento (match) = uma sequência de números em {1,…,n} tal que t i1 t i2 … t ik = b i1 b i2 … b ik = string do pareamento Pergunta : Existe um pareamento para o input C ?

12 Solução quando existe, não precisa ser única Problema da Ordenação Ordena : SeqNat SeqNat Ordena( ) = Onde: é uma permutação de b1 b2... bn Algoritmos que o resolvem: Insertion-Sort Selection-Sort Bubble-Sort Heap-Sort Merge-Sort Quick-Sort Radix-Sort Bucket-Sort Insertion-Sort Selection-Sort Bubble-Sort Heap-Sort Merge-Sort Quick-Sort Radix-Sort Bucket-Sort Eficiência em Tempo cresce Eficiência em Espaço cresce

13 O que é um bom algoritmo ? Correto ? Eficiente em tempo ? Eficiente em espaço ?

14 Soluções Aproximadas às vezes são mais interessantes... Problema do Vertex Cover (otimização) Achar o menor subconjunto de vértices S tal que cada aresta tem pelo menos uma d e suas extremidades no conjunto S ? Problema de Minimização de recursos Encontrar a solução ótima é difícil Problema NP-hard Encontrar solução aproximada é factível Existem algoritmos que encontram soluções aproximadas em tempo polinomial Para cada input G, o algoritmo dá uma solução com custo C(G) tal que: C(G) α Opt(G)

15 Soluções Aproximadas nem sempre são facilmente encontráveis Problema do Caixeiro Viajante (otimização) Achar o circuito hamiltoniano mais curto (passando por todas as cidades uma única vez) ? Problema de Minimização de recursos Encontrar a solução ótima é difícil Problema NP-hard Encontrar solução aproximada não é factível ! d1 d2 d3 d4d5 d6

16 Tipos de Algoritmos Problema P P é decidível (tem solução ?) Qual a complexidade de P ? Se P for NP-completo: existem algoritmos aproximados ? Como projetar um bom algoritmo para P, dentro das limitações da complexidade inerente ao problema P ? Tipos de Algoritmos: Exatos versus Aproximativos Iterativos versus Recursivos Probabilísticos (ou Randômicos)

17 O que é um Algoritmo Probabilístico ? Problema: Encontrar um elemento a em um array A de n elementos Input: A, a, n Output: posição m onde se encontra a ou Não Algoritmo Exato Begin Para i = 1,..., n faça Se A[i] = a Retorna i Pára Retorna Não End Se n é muito grande, algoritmo pode levar muito tempo para dar a resposta.

18 O que é um Algoritmo Probabilístico ? Problema: Encontrar um elemento a em um array A de n elementos Input: A, a, n Output: posição m onde se encontra a ou Não Algoritmo Monte Carlo (não exato) begin i=1 repeat Selecione aleatoriamente um número inteiro m em [1,n] Se A[m] = a Retorna m e pára i = i + 1 until i=k Retorna Não end Monte Carlo encontra a com Probabilidade (1 – (1/2) k ) Tempo de Execução de Monte Carlo é fixo

19 Análise de um Algoritmo O que é analisar um algoritmo ? Determinar sua eficiência quanto ao tempo de execução quanto à quantidade de memória utilizada para executar o algoritmo Modelo para a Análise da complexidade: Modelo RAM (Random Access Machine) Operações executadas em sequência Não há execuções simultâneas

20 Análise de um Algoritmo Que operações atômicas considerar no cálculo de custo ? Operações atômicas = custo constante Operações aritméticas Soma, subtração, multiplicação, divisão, resto, piso, teto Movimentação de dados: Carregar, armazenar, copiar Controle Desvio condicional e incondicional Chamada e retorno de subrotinas

21 Exemplo: Problema, Algoritmo, Análise do Algoritmo Problema: (Ordenação de uma sequência) Input: sequência de n números A = Output: B =, onde B é uma permutação de A e b1 b2... bn Projeto de um Algoritmo

22 Algoritmo Insertion-Sort Insertion-Sort (A) Entrada : A = array [a1,...,an] 1. For j 2 to n 2. do chave A[j] 3. i j – 1 % Procura lugar anterior onde inserir a chave 4. While i > 0 e A[i] > chave 5. do A[i+1] A[i] 6. i i A[i+1] chave Algoritmo é executado in place : Espaço necessário = espaço da entrada + espaço das variáveis Chave, j, i Complexidade em Espaço = constante (=3) (não se conta o espaço ocupado pela entrada)

23 Algoritmo Insertion-Sort Insertion-Sort (A) Custo Vezes 1. For j 2 to n c1n 2. do chave A[j]c2n-1 3. i j – 1 c3n-1 4. While i > 0 e A[i] > chavec4Σ n j=2 tj 5. do A[i+1] A[i]c5Σ n j=2 (tj-1) 6. i i - 1 c6Σ n j=2 (tj-1) 7. A[i+1] chavec7n-1 tj = número de vezes que o teste do While em (4) é executado para cada valor j do loop for

24 Algoritmo Insertion-Sort T(n) = custo temporal do algoritmo em função do tamanho da entrada (=n) T(n) = c1.n + c2(n-1) + c3(n-1) + c4(Σ n j=2 tj) + c5(Σ n j=2 (tj-1)) + c6(Σ n j=2 (tj-1)) + c7(n-1) T(n) depende de tj O valor de tj depende do grau de desordenação da entrada.

25 Algoritmo Insertion-Sort Melhor caso: a entrada está corretamente em ordem crescente. tj = 1, para j = 2,...,n T(n) = c1.n + c2(n-1) + c3(n-1) + c4(n-1) + c7(n-1) = (c1+c2+c3+c4+c7)n – (c2+c3+c4+c7) Pior caso : a entrada está ordenada de forma reversa (descrescente) tj = j, para j = 2,...,n Σ n j=2 j = [n(n+1)/2] – 1 T(n) = c1.n + c2(n-1) + c3(n-1) + c4( [n(n+1)/2] – 1 ) + c5( [n(n-1)/2] ) + + c6( [n(n-1)/2] ) + c7(n-1) = = (c4/2 + c5/2 + c6/2)n 2 + (c1+c2+c3 - c4/2 - c5/2 - c6/2 + c7)n - (c2 + c3 + c4 + c7)

26 Algoritmo Insertion-Sort Caso médio: tj = j/2, para j = 2,...,n Exercício: Determinar o valor de T(n) para o caso médio.

27 Notação O Notação O é utilizada para ter uma estimativa superior do tempo T(n) de execução, em termos de funções do tipo n k, logn, 2 n, cujas tendências de crescimento seguem padrões distintos. No melhor caso: T(n) = O(n) No pior caso: T(n) = O(n 2 )

28 Apresentação Geral do Curso AULA 1 – Parte II Profa. Sandra de Amo Disciplina: Análise de Algoritmos Pós-graduação em Ciência da Computação

29 Apresentação Geral do Curso Bibliografia Material de Suporte Conteúdo Avaliação

30 Bibliografia Básica 1. Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein. Introduction to Algorithms, MIT Press, 3ª Edição, (Edição em portugues : Algoritmos-Teoria e Prática, Editora Campus 2003) 2. S. Dasgupta, C. H. Papadimitriou, and U. V. Vazirani. Algorithms. McGraw-Hill Science/Engineering/Math; 1 edition (September 13, 2006). PDF disponível online.PDF 3. Donald E. Knuth. The Art of Computer Programming, Volume 4A: Combinatorial Algorithms,Part 1. (Series in Computer Science & Information Processing) Addison-Wesley Professional, Vijay V. Vazirani. Approximation Algorithms. Addison-Wesley 2001

31 Bibliografia Complementar 1. David Harel and Yishai Feldman. Algorithmics: The Spirit of Computing, 3a Edição, Addison Wesley, Steven S. Skiena: The Algorithm Design Manual. Springer, 2a Edição., Bernhard Korte, Jens Vygen. Combinatorial Optimization: Theory and Algorithms (Algorithms and Combinatorics), 4a Edição, 2010.

32 Material de Suporte Livro Texto Slides Artigos

33 Conteúdo do Curso Parte I : Conceitos Básicos O que é um algoritmo ? Algoritmos Recursivos, Randômicos (Probabilísticos), Aproximativos Análise e projeto de algoritmo Notação Assintótica Parte II: Algoritmos de Ordenação: Tempo não linear: ocupação otimal de espaço Tempo linear : ocupação não otimal de espaço Parte III : Estruturas de Dados Elementares: Pilhas, Filas, listas, árvores binárias, tabelas hash estatísticas de ordem dinâmicas Avançadas: B-Tree, Heaps binomiais, Heaps de Fibonacci, estruturas de dados para conjuntos

34 Conteúdo do Curso (cont.) Parte IV : Técnicas Avançadas de Projeto e Análise Programação Dinâmica Algoritmos Gulosos Parte V: Algoritmos de Grafos Algoritmos elementares Árvores Espalhadas Caminhos mais curtos Parte VI : Tópicos Avançados Problemas NP-completos Algoritmos Combinatórios Algoritmos Aproximativos

35 Critério de Avaliação Prova 1 : 23 de Abril 25 pontos Prova 2: 10 de Junho25 pontos Prova 3 : 2 de Julho30 pontos Seminários : 8, 9 e 10 de Julho20 pontos


Carregar ppt "Análise de Algoritmos AULA 1 Profa. Sandra de Amo Disciplina: Análise de Algoritmos Pós-graduação em Ciência da Computação."

Apresentações semelhantes


Anúncios Google